随着电动汽车的大量普及，锂离子动力电池(以下简称电池)的安全问题日益突出。而健康状态（state of health,SOH）是对电池健康寿命状况的体现，是电池的电量、能量，充放电功率等状态的体现，对健康状态精准评估可充分了解电池当前的状态，依照底层前提作出维护计划，更正各项参数性能指标，降低或避免危险系数，或者对性能不能满足使用要求的单体电池进行维护替，降低使用成本。通过对电池的健康状态(SOH)进行建模分析，以达到电池SOH的准确预测评估，是电池运用研究和可靠性研究的难点和重点。本文选择了锂电相关研究重点中的健康状态作为研究方向，从SOH直接方法与间接方法两个方面研究，并进行对比分析。

随着新能源车辆保有量的迅猛增长，动力电池作为新能源汽车的关键核心部件，其性能测试与评估是保证电动汽车整车动力性能与安全性能的重要环节。根据GGII数据统计，2022年，国内动力电池装机量261GWh，同比增长86%。

电池健康检测目的

· 电池老化后内阻增大，将产生更多热量，更容易引发热失控

· 健康状态SOH是估计电动汽车续驶里程的基础，也是辅助纠正与提升SOC估计精度的重要参数，同时是预测性维护的基础

· 健康状态表示电池目前的健康水平

· 不同电池衰退规律不一致

锂离子电池(lithium-ion batteries，LIBs)已成为储能系统电源的主要选择。为提高电池系统实际运行的安全性、稳定性和可靠性，电池SOH估计成为至关重要的研究热点。本文通过SOH直接方法与间接方法的运用测量方式对比分析，为有效预防安全事故的发生，促进锂离子电池行业的健康发展。

电池的老化是一个渐变的、复杂的过程。尽管如此，我们还是希望找到一些可以量化的指标，对电池的劣化程度进行描述。选择这样的指标的原则有两点：第一，指标典型，能够反映出电池老化的程度。第二，具有可操作性，如用电池的剩余循环次数来定义老化程度就具有不可操作性。

SOH定义

实际过程中我们可以依据不同的应用场景对SOH进行定义，对HEV来说，SOH是电池内阻增加或者功率衰减的指示，如果内阻增大到使用功率受限，则说明电池达到了EOL条件，因此SOH可以按如下表达式进行定义：

其中，REOL为电池寿命终结时的电池内阻，RBOL为电池出厂时的内电阻，R为电池当前状态下的内阻；

从电池容量的角度定义SOH:

其中，CEoL为电池寿命终止时间的容量值，CBoL为新电池的容量值，C为当前时刻的实际电池容量值。

除了以上两种SOH定义方式以外，在实际电池成组应用过程中，我们还可以从电池老化不一致性、电池自放电率等指标来定义SOH。国内大部分厂商基于电池的剩余循环次数或者累积安时数、瓦时能量数来定义SOH，但是实际使用过程中不确定因素太多，无法对电池之后的使用环境进行预测，也无法准确预测剩余的循环次数，因此这些定义的可操作性不强。

一般来说，新的动力电池的SOH被设定为100%，随着电池的使用，电池在不断老化，SOH逐渐降低，在IEEE标准1188-1996中有明确规定，当动力电池的容量能力下降到80%时，即SOH小于80%时就应该更换电池。

SOH估计方法可分为两种方式：直接测量方式与间接测量方式

指通过对采集到的动力电池电流、电压、温度等实验数据进行分析，相对直接地获取某些能反应动力电池衰退的特征参数，从而实现动力电池SOH的标定，根据所选动力电池参数的不同，它又可分为直接测量法与间接分析法。

运用测量的数据或经简单处理，直接计算电池健康状态电化学阻抗谱测量内阻电化学阻抗谱(EIS)是一种无损的参数测定和有效的电池动力学行为测定方法。对电池系统施加频率为w1小振幅的正弦波电压信号，系统产生一个频率为w2的正弦波电流响应，激励电压与响应电流的比值变化即为电化学系统的阻抗谱。

EIS具有很高的实用性，这种测试方法可以从很低频率扫描(几μHz)到很高频率(几MHz)来实现宽频范围的电化学界面反应研究。目前，国内的大部分研究仍处在初级探索阶段，大部分集中于EIS的曲线分析及相关的电化学解释。

图2 中，横坐标 ZRe 为阻抗的实部，纵坐标 ZIm 为阻抗的虚部。其他各部分含义如下：第一部分为超高频部分，阻抗曲线与横轴相交部分：欧姆阻抗 Rb；第二部分为高频部分，半圆：锂离子通过固体电解质阻抗Rsei；第三部分为中频部分，半圆：电荷传递阻抗，也称为电极 极化阻抗Rct；第四部分为低频部分，45°直线：锂离子扩散阻抗，也称 为浓差极化阻抗 W。

电池堆栈应力

电池随着其使用电芯之间的应力是逐渐增大的，因为电池使用过程中会产生膨胀，里面会产生一些气体，我们可以利用电芯之间的应力来估计电池的健康状态，如下图，应力与电池之间的关系。

滤波算法

基于等效电路模型方法，开路电压与荷电状态形成的曲线，通过滤波方法来动态的计算电池的OM内阻，需要考虑温度对SOH-OCV-SOC曲面的影响。

电压曲线重构

基于模型的动力电池状态估计算法通常采用开路电压(ocv)与荷电状态(soc)函数关系，对安时积分法得到的soc估计值进行修正，故soc估计精度非常依赖于ocv-soc曲线的精度。

放电电压的样本熵

提取放电曲线的样本熵，带入RVM估计健康状态，样本熵能够提供评估时间序列可预测性的计算方法，并量化数据序列的规律性。因此，当它应用于放电温度数据时，能够作为电池健康状态的指示特征，对电池的退化过程和局部变化都有很好的捕捉效果。

DTV曲线、DVA曲线、ICA曲线

拟合平滑容量增量曲线，提取峰值及位置，建立健康状态与峰值位置关系函数，估计健康状态

DTV、DVA和ICA曲线的平滑处理一直是个难题，利用不同平滑技术提取的同一变量可能并不相等，不同采样频率的曲线也有差别，温度及充放电倍率也影响模型参数，因此这三种方法的性能并不稳定

混合脉冲功率特性测试

其全称为混合脉冲功率性能测试（Hybrid Pulse Power Characterization Test，来源于美国FreedomCAR混合动力汽车检测手册，其基本测试思路为在不同SOC下对动力电池进行脉冲充放电测试，通过计算可以得出动力电池在全区间使用区间内的功率性能。

首先需要计算电池的直流内阻，实际上就是脉冲前后的电压降和电流的比值：

如果不同温度，就可以计算电池在不同温度下的直流内阻，对于整车的热仿真都是很有意义的数据。

实际动力电池在使用时，其工况过程是很复杂的，因而每一种测试都是具有局限性的，所以在实际中需要方法结合，各自取长补短，在得到计算值后，用得到的功率值对电池进行恒功率冲放电进行验证，这样就能得到比较准确的结果。

动力电池SOH估计对新能源汽车安全运行具有重要意义，而大数据技术的发展为SOH估计提供了有力的工具。虽已取得大量理论和试验成果，但动力电池SOH估计方法在实车电池系统上的应用还面临诸多挑战。